[论文解读] Broiler-Net: A Deep Convolutional Framework for Broiler Behavior Analysis in Poultry Houses

Tahereh Zarrat Ehsan, Seyed Mehdi Mohtavipour|arXiv (Cornell University)|Jan 22, 2024

Animal Behavior and Welfare Studies被引用 4

一句话总结

Broiler-Net 是一种用于在无笼养殖禽舍中实时检测肉鸡异常行为（特别是静止不动和聚集）的深度学习框架。它集成了基于 YOLO 的检测、快速跟踪模块和行为分类，以实现实时干预，能够在真实视频流中实现高精度检测，并在基准数据集上表现出色。

ABSTRACT

Detecting anomalies in poultry houses is crucial for maintaining optimal chicken health conditions, minimizing economic losses and bolstering profitability. This paper presents a novel real-time framework for analyzing chicken behavior in cage-free poultry houses to detect abnormal behaviors. Specifically, two significant abnormalities, namely inactive broiler and huddling behavior, are investigated in this study. The proposed framework comprises three key steps: (1) chicken detection utilizing a state-of-the-art deep learning model, (2) tracking individual chickens across consecutive frames with a fast tracker module, and (3) detecting abnormal behaviors within the video stream. Experimental studies are conducted to evaluate the efficacy of the proposed algorithm in accurately assessing chicken behavior. The results illustrate that our framework provides a precise and efficient solution for real-time anomaly detection, facilitating timely interventions to maintain chicken health and enhance overall productivity on poultry farms. Github: https://github.com/TaherehZarratEhsan/Chicken-Behavior-Analysis

研究动机与目标

• 开发一种用于在无笼养殖禽舍中实时、准确检测肉鸡异常行为的系统。
• 解决家禽健康监测中的关键挑战，包括早期检测静止不动和聚集行为，这些行为可能预示疾病或应激。
• 通过及时、数据驱动的干预措施，提升农场生产效率并减少经济损失。

提出的方法

• 利用最先进的基于 YOLO 的目标检测模型，识别视频帧中的个体肉鸡。
• 采用快速、轻量级的跟踪模块，以在连续视频帧之间保持身份连续性。
• 应用行为分类头，基于空间和时间特征检测异常行为模式——特别是静止不动和聚集。
• 实时处理视频流，以实现对农场管理人员的即时预警。
• 在从真实养殖舍环境中采集的自定义数据集上进行训练和评估。
• 将检测、跟踪和行为分析整合为统一的端到端深度学习流水线。

实验结果

研究问题

• RQ1 该深度学习框架能否在无笼养殖禽舍中实时准确检测肉鸡的静止不动和聚集行为？
• RQ2 将目标检测与多目标跟踪相结合，与独立方法相比，能否显著提升行为分析的准确性？
• RQ3 该框架在多大程度上支持及时干预，以维持禽群健康和生产效率？

主要发现

• 该框架在真实养殖舍环境下对静止不动和聚集行为均实现了高检测准确率，表现出良好的鲁棒性。
• 实时推理是可行的，可实现即时检测并可能触发预警，供农场操作人员处理。
• 将基于 YOLO 的检测与快速跟踪器结合，显著提升了跟踪稳定性和行为分类性能。
• 在自定义数据集上，该系统在检测速度和准确率方面均优于基线模型。
• 定量结果表明 mAP 和 F1 分数表现优异，表明行为识别具有高度可靠性。
• 由于其高效性与实时处理能力，该框架可在实际农场环境中部署。